python3解析库lxml

àì夳堔傛蜴生んèń 2021-12-19 23:55 303阅读 0赞

# [python3解析库lxml][python3_lxml] #

1、python库lxml的安装  
2、XPath常用规则  
（1）读取文本解析节点  
（2）读取HTML文件进行解析  
（3）获取所有节点  
（4）获取子节点  
（5）获取父节点  
（6）属性匹配  
（7）文本获取  
（8）属性获取  
（9）属性多值匹配  
（10）多属性匹配  
（11）XPath中的运算符  
（12）按序选择  
（13）节点轴选择  
（14）案例应用：抓取TIOBE指数前20名排行开发语言

lxml是python的一个解析库，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高

XPath，全称XML Path Language，即XML路径语言，它是一门在XML文档中查找信息的语言，它最初是用来搜寻XML文档的，但是它同样适用于HTML文档的搜索

XPath的选择功能十分强大，它提供了非常简明的路径选择表达式，另外，它还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等，几乎所有我们想要定位的节点，都可以用XPath来选择

XPath于1999年11月16日成为W3C标准，它被设计为供XSLT、XPointer以及其他XML解析软件使用，更多的文档可以访问其官方网站：[https://www.w3.org/TR/xpath/][https_www.w3.org_TR_xpath]

### 1、python库lxml的安装 ###

windows系统下的安装：

#pip安装
    pip3 install lxml
    
    #wheel安装
    #下载对应系统版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
    pip3 install lxml-4.2.1-cp36-cp36m-win_amd64.whl

linux下安装：

yum install -y epel-release libxslt-devel libxml2-devel openssl-devel
    
    pip3 install lxml

验证安装：

$python3
    >>>import lxml

### 2、XPath常用规则 ###

<table> 
 <tbody> 
  <tr> 
   <td>表达式</td> 
   <td>描述</td> 
  </tr> 
  <tr> 
   <td>nodename</td> 
   <td>选取此节点的所有子节点</td> 
  </tr> 
  <tr> 
   <td>/</td> 
   <td>从当前节点选取直接子节点</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>从当前节点选取子孙节点</td> 
  </tr> 
  <tr> 
   <td>.</td> 
   <td>选取当前节点</td> 
  </tr> 
  <tr> 
   <td>..</td> 
   <td>选取当前节点的父节点</td> 
  </tr> 
  <tr> 
   <td>@</td> 
   <td>选取属性</td> 
  </tr> 
  <tr> 
   <td>*</td> 
   <td>通配符，选择所有元素节点与元素名</td> 
  </tr> 
  <tr> 
   <td>@*</td> 
   <td>选取所有属性</td> 
  </tr> 
  <tr> 
   <td>[@attrib]</td> 
   <td>选取具有给定属性的所有元素</td> 
  </tr> 
  <tr> 
   <td>[@attrib='value']</td> 
   <td>选取给定属性具有给定值的所有元素</td> 
  </tr> 
  <tr> 
   <td>[tag]</td> 
   <td>选取所有具有指定元素的直接子节点</td> 
  </tr> 
  <tr> 
   <td>[tag='text']</td> 
   <td>选取所有具有指定元素并且文本内容是text节点</td> 
  </tr> 
 </tbody> 
</table>

（1）读取文本解析节点

from lxml import etree
    
    text='''
    <div>
        <ul>
             <li class="item-0"><a href="link1.html">第一个</a></li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0"><a href="link5.html">a属性</a>
         </ul>
     </div>
    '''
    html=etree.HTML(text) #初始化生成一个XPath解析对象
    result=etree.tostring(html,encoding='utf-8')   #解析对象输出代码
    print(type(html))
    print(type(result))
    print(result.decode('utf-8'))
    
    #etree会修复HTML文本节点
    <class 'lxml.etree._Element'>
    <class 'bytes'>
    <html><body><div>
        <ul>
             <li class="item-0"><a href="link1.html">第一个</a></li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0"><a href="link5.html">a属性</a>
         </li></ul>
     </div>
    </body></html>

### （2）读取HTML文件进行解析 ###

from lxml import etree
    
    html=etree.parse('test.html',etree.HTMLParser()) #指定解析器HTMLParser会根据文件修复HTML文件中缺失的如声明信息
    result=etree.tostring(html)   #解析成字节
    #result=etree.tostringlist(html) #解析成列表
    print(type(html))
    print(type(result))
    print(result)
    
    #
    <class 'lxml.etree._ElementTree'>
    <class 'bytes'>
    b'<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">\n<html><body><div>
\n    <ul>
\n         <li class="item-0"><a href="link1.html">first item</a></li>
\n         <li class="item-1"><a href="link2.html">second item</a></li>
\n         <li class="item-inactive"><a href="link3.html">third item</a></li>
\n         <li class="item-1"><a href="link4.html">fourth item</a></li>
\n         <li class="item-0"><a href="link5.html">fifth item</a>
\n     </li></ul>
\n </div>
\n</body></html>'

（3）获取所有节点

返回一个列表每个元素都是Element类型，所有节点都包含在其中

from lxml import etree
    
    html=etree.parse('test',etree.HTMLParser())
    result=html.xpath('//*')  #//代表获取子孙节点，*代表获取所有
    
    print(type(html))
    print(type(result))
    print(result)

#
    <class 'lxml.etree._ElementTree'>
    <class 'list'>
    [<Element html at 0x754b210048>, <Element body at 0x754b210108>, <Element div at 0x754b210148>, <Element ul at 0x754b210188>, <Element li at 0x754b2101c8>, <Element a at 0x754b210248>, <Element li at 0x754b210288>, <Element a at 0x754b2102c8>, <Element li at 0x754b210308>, <Element a at 0x754b210208>, <Element li at 0x754b210348>, <Element a at 0x754b210388>, <Element li at 0x754b2103c8>, <Element a at 0x754b210408>]

如要获取li节点，可以使用//后面加上节点名称，然后调用xpath()方法

html.xpath('//li')   #获取所有子孙节点的li节点

（4）获取子节点

通过/或者//即可查找元素的子节点或者子孙节点，如果想选择li节点的所有直接a节点，可以这样使用

result=html.xpath('//li/a')  #通过追加/a选择所有li节点的所有直接a节点，因为//li用于选中所有li节点，/a用于选中li节点的所有直接子节点a

（5）获取父节点

我们知道通过连续的/或者//可以查找子节点或子孙节点，那么要查找父节点可以使用..来实现也可以使用parent::来获取父节点

from lxml import etree
    from lxml.etree import HTMLParser
    text='''
    <div>
        <ul>
             <li class="item-0"><a href="link1.html">第一个</a></li>
             <li class="item-1"><a href="link2.html">second item</a></li>
         </ul>
     </div>
    '''
    
    html=etree.HTML(text,etree.HTMLParser())
    result=html.xpath('//a[@href="link2.html"]/../@class')
    result1=html.xpath('//a[@href="link2.html"]/parent::*/@class')
    print(result)
    print(result1)

#
    ['item-1']
    ['item-1']

（6）属性匹配

在选取的时候，我们还可以用`@`符号进行属性过滤。比如，这里如果要选取`class`为`item-1`的`li`节点，可以这样实现:

（7）文本获取

我们用XPath中的text()方法获取节点中的文本

from lxml import etree
    
    text='''
    <div>
        <ul>
             <li class="item-0"><a href="link1.html">第一个</a></li>
             <li class="item-1"><a href="link2.html">second item</a></li>
         </ul>
     </div>
    '''
    
    html=etree.HTML(text,etree.HTMLParser())
    result=html.xpath('//li[@class="item-1"]/a/text()') #获取a节点下的内容
    result1=html.xpath('//li[@class="item-1"]//text()') #获取li下所有子孙节点的内容
    
    print(result)
    print(result1)

（8）属性获取

使用@符号即可获取节点的属性，如下：获取所有li节点下所有a节点的href属性

result=html.xpath('//li/a/@href')  #获取a的href属性
    result=html.xpath('//li//@href')   #获取所有li子孙节点的href属性

（9）属性多值匹配

如果某个属性的值有多个时，我们可以使用contains()函数来获取

from lxml import etree
    text1='''
    <div>
        <ul>
             <li class="aaa item-0"><a href="link1.html">第一个</a></li>
             <li class="bbb item-1"><a href="link2.html">second item</a></li>
         </ul>
     </div>
    '''
    
    html=etree.HTML(text1,etree.HTMLParser())
    result=html.xpath('//li[@class="aaa"]/a/text()')
    result1=html.xpath('//li[contains(@class,"aaa")]/a/text()')
    
    print(result)
    print(result1)

#通过第一种方法没有取到值，通过contains（）就能精确匹配到节点了
    []
    ['第一个']

（10）多属性匹配

另外我们还可能遇到一种情况，那就是根据多个属性确定一个节点，这时就需要同时匹配多个属性，此时可用运用and运算符来连接使用：

from lxml import etree
    
    text1='''
    <div>
        <ul>
             <li class="aaa" name="item"><a href="link1.html">第一个</a></li>
             <li class="aaa" name="fore"><a href="link2.html">second item</a></li>
         </ul>
     </div>
    '''
    
    html=etree.HTML(text1,etree.HTMLParser())
    result=html.xpath('//li[@class="aaa" and @name="fore"]/a/text()')
    result1=html.xpath('//li[contains(@class,"aaa") and @name="fore"]/a/text()')
    
    
    print(result)
    print(result1)

#
    ['second item']
    ['second item']

（11）XPath中的运算符

<table> 
 <tbody> 
  <tr> 
   <td>运算符</td> 
   <td>描述</td> 
   <td>实例</td> 
   <td>返回值</td> 
  </tr> 
  <tr> 
   <td> <p>or</p> </td> 
   <td>或</td> 
   <td>age=19 or age=20</td> 
   <td>如果age等于19或者等于20则返回true反正返回false</td> 
  </tr> 
  <tr> 
   <td>and</td> 
   <td>与</td> 
   <td>age&gt;19 and age&lt;21</td> 
   <td>如果age等于20则返回true，否则返回false</td> 
  </tr> 
  <tr> 
   <td>mod</td> 
   <td>取余</td> 
   <td>5 mod 2</td> 
   <td>1</td> 
  </tr> 
  <tr> 
   <td>|</td> 
   <td>取两个节点的集合</td> 
   <td>//book | //cd</td> 
   <td>返回所有拥有book和cd元素的节点集合</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td>加</td> 
   <td>6+4</td> 
   <td>10</td> 
  </tr> 
  <tr> 
   <td>-</td> 
   <td>减</td> 
   <td>6-4</td> 
   <td>2</td> 
  </tr> 
  <tr> 
   <td>*</td> 
   <td>乘</td> 
   <td>6*4</td> 
   <td>24</td> 
  </tr> 
  <tr> 
   <td>div</td> 
   <td>除法</td> 
   <td>8 div 4</td> 
   <td>2</td> 
  </tr> 
  <tr> 
   <td>=</td> 
   <td>等于</td> 
   <td>age=19</td> 
   <td>true</td> 
  </tr> 
  <tr> 
   <td>!=</td> 
   <td>不等于</td> 
   <td>age!=19</td> 
   <td>true</td> 
  </tr> 
  <tr> 
   <td>&lt;</td> 
   <td>小于</td> 
   <td>age&lt;19</td> 
   <td>true</td> 
  </tr> 
  <tr> 
   <td>&lt;=</td> 
   <td>小于或等于</td> 
   <td>age&lt;=19</td> 
   <td>true</td> 
  </tr> 
  <tr> 
   <td>&gt;</td> 
   <td>大于</td> 
   <td>age&gt;19</td> 
   <td>true</td> 
  </tr> 
  <tr> 
   <td>&gt;=&nbsp;</td> 
   <td>大于或等于</td> 
   <td>age&gt;=19</td> 
   <td>true</td> 
  </tr> 
 </tbody> 
</table>

此表参考来源:[http://www.w3school.com.cn/xpath/xpath\_operators.asp][http_www.w3school.com.cn_xpath_xpath_operators.asp]

（12）按序选择

有时候，我们在选择的时候某些属性可能同时匹配多个节点，但我们只想要其中的某个节点，如第二个节点或者最后一个节点，这时可以利用中括号引入索引的方法获取特定次序的节点：

#
    ['第一个', '第二个', '第三个', '第四个']
    ['第一个']
    ['第四个']
    ['第三个']
    ['第二个']

这里使用了last()、position()函数，在XPath中，提供了100多个函数，包括存取、数值、字符串、逻辑、节点、序列等处理功能，它们的具体作用可参考：[http://www.w3school.com.cn/xpath/xpath\_functions.asp][http_www.w3school.com.cn_xpath_xpath_functions.asp]

（13）节点轴选择

XPath提供了很多节点选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等，示例如下：

from lxml import etree
    
    text1='''
    <div>
        <ul>
             <li class="aaa" name="item"><a href="link1.html">第一个</a></li>
             <li class="aaa" name="item"><a href="link1.html">第二个</a></li>
             <li class="aaa" name="item"><a href="link1.html">第三个</a></li>
             <li class="aaa" name="item"><a href="link1.html">第四个</a></li> 
         </ul>
     </div>
    '''
    
    html=etree.HTML(text1,etree.HTMLParser())
    result=html.xpath('//li[1]/ancestor::*')  #获取所有祖先节点
    result1=html.xpath('//li[1]/ancestor::div')  #获取div祖先节点
    result2=html.xpath('//li[1]/attribute::*')  #获取所有属性值
    result3=html.xpath('//li[1]/child::*')  #获取所有直接子节点
    result4=html.xpath('//li[1]/descendant::a')  #获取所有子孙节点的a节点
    result5=html.xpath('//li[1]/following::*')  #获取当前子节之后的所有节点
    result6=html.xpath('//li[1]/following-sibling::*')  #获取当前节点的所有同级节点
    
    
    #
    [<Element html at 0x3ca6b960c8>, <Element body at 0x3ca6b96088>, <Element div at 0x3ca6b96188>, <Element ul at 0x3ca6b961c8>]
    [<Element div at 0x3ca6b96188>]
    ['aaa', 'item']
    [<Element a at 0x3ca6b96248>]
    [<Element a at 0x3ca6b96248>]
    [<Element li at 0x3ca6b96308>, <Element a at 0x3ca6b96348>, <Element li at 0x3ca6b96388>, <Element a at 0x3ca6b963c8>, <Element li at 0x3ca6b96408>, <Element a at 0x3ca6b96488>]
    [<Element li at 0x3ca6b96308>, <Element li at 0x3ca6b96388>, <Element li at 0x3ca6b96408>]

以上使用的是XPath轴的用法，更多轴的用法可参考：[http://www.w3school.com.cn/xpath/xpath\_axes.asp][http_www.w3school.com.cn_xpath_xpath_axes.asp]

### （14）案例应用：抓取TIOBE指数前20名排行开发语言 ###

#!/usr/bin/env python
    #coding:utf-8
    import requests
    from requests.exceptions import RequestException
    from lxml import etree
    from lxml.etree import ParseError
    import json
    
    def one_to_page(html):
        headers={
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'
        }
        try:
            response=requests.get(html,headers=headers)
            body=response.text  #获取网页内容
        except RequestException as e:
            print('request is error!',e)
        try:
            html=etree.HTML(body,etree.HTMLParser())  #解析HTML文本内容
            result=html.xpath('//table[contains(@class,"table-top20")]/tbody/tr//text()') #获取列表数据
            pos = 0
            for i in range(20):
                if i == 0:
                    yield result[i:5]
                else:
                    yield result[pos:pos+5]  #返回排名生成器数据
                pos+=5
        except ParseError as e:
             print(e.position)
    
    
    def write_file(data):   #将数据重新组合成字典写入文件并输出
        for i in data:
            sul={
                '2018年6月排行':i[0],
                '2017年6排行':i[1],
                '开发语言':i[2],
                '评级':i[3],
                '变化率':i[4]
            }
            with open('test.txt','a',encoding='utf-8') as f:
                f.write(json.dumps(sul,ensure_ascii=False) + '\n') #必须格式化数据
                f.close()
            print(sul)
        return None
    
    
    def main():
        url='https://www.tiobe.com/tiobe-index/'
        data=one_to_page(url)
        revaule=write_file(data)
        if revaule == None:
            print('ok')
            
     
     
            
    if __name__ == '__main__':
        main()

[python3_lxml]: https://www.cnblogs.com/zhangxinqi/p/9210211.html
[https_www.w3.org_TR_xpath]: https://www.w3.org/TR/xpath/
[http_www.w3school.com.cn_xpath_xpath_operators.asp]: http://www.w3school.com.cn/xpath/xpath_operators.asp
[http_www.w3school.com.cn_xpath_xpath_functions.asp]: http://www.w3school.com.cn/xpath/xpath_functions.asp
[http_www.w3school.com.cn_xpath_xpath_axes.asp]: http://www.w3school.com.cn/xpath/xpath_axes.asp